Maintenant, je travaille sur le nettoyage de murs (synthèse de textures)
J'ai trouvé le code du papier "Object Removal by Exemplar-based Inpainting" et il marche très bien, je vais le comparer avec les méthodes de réechantillonage.

Je continue à travailler avec le sujet de détection de textures.

Déjà ou presque finit:
1. Détection de logo par méthode de corrélation entre composant connexe: J'ai amélioré l'algo de binairisation, maintenant il ne détruit plus les objets d'arts, avec celle-ci on peut esperer d'avoir un meuilleur resultat de détection de logo.
2. Détection de la ligne droite(les bordes de mur), en train de finir.

Ce que je vais faire prochainement

1. Finir la fonc discriminante pour Miss-tic
a) Appliquer une autre méthode de corrélation(proposé par sajd), qui ne dépende pas de binairisation et de composant connexe.
b) analyse de présence de texte, de personnage, les orientations, les couleurs et les formes.

2. Attendre le résultat de Xavier(il est en train d'analyser les images de Jef, Les-arts, etc pour trouver des critères discriminantes) pour trouver les fonc discriminant sur d'autres artistes.

Ce projet peut être divisé en plusieurs étapes, mais il n'y a que deux problèmes principaux:
1. Segmentation
2. Reconnaissance

Dans la segmentation:

1.1 Séparation de Murs / Objets d'art: c'est a dire de segmenter les objets d'art.
1.2 Séparation entre les objets d'art: textes, dessins etc.

Dans la reconnaissance, on distingue deux stratégies:

2.1 Fonctions discriminantes basées sur les artistes et les styles: pour chaque artiste, on établie manuellement une série de critères, par exemple pour misstic:
a)la présence de logo
b)la présence du texte
c)la présence de la forme (femme...)
d)les positions des objets
e)les orientations des objets
f)les couleurs utilisées
g)....

par exemple, pour les images des animaux, on peut ajouter les textures comme critere essentiel.
Chaque critère correspond à un poids. La fonction discriminante d'un artiste va "filtrer" une image avec cette série de critères et distribue finalement un score à cette image. On choisit parmi toutes les fonctions discriminantes celle qui maximise le score.

Avantage de cette méthode: on peut utiliser tous les caractères importantes d'un artiste pour distinguer parfaitement son oeuvre. Par exemple, pour speedy-graphito: les petits traits, pour d'autres, les textures particulières etc. L'idée c'est de trouver les critères qui caracterisent le mieux possible un artiste.

Désavantage: basé sur les connaissance a priori, du coup assez limité pour reconnaitre un artiste nouveau(dans ce cas il faut réétablir une fonction discriminante..)

2.2 Par la ressemblance entre deux images: au lieu de dire que on connait explicitement les criteres de chaque artiste, on calcule tout simplement la "distance" entre deux images données, sans avoir aucune information a priori. Si les deux se ressemblent, alors elles seront classifiées dans la même classe. La question est de définir cette distance entre images. Cette méthode peut être un complément a la première, dans le cas ou on doit classifier les images peu nombreuse et dont les auteurs sont inconnus.

Une fois que ces deux problemes sont résolus, on aura accomplit l'essentiel du projet.